論文の概要: To Reduce Gross NPA and Classify Defaulters Using Shannon Entropy
- arxiv url: http://arxiv.org/abs/2004.14418v1
- Date: Wed, 29 Apr 2020 18:29:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 14:45:29.605531
- Title: To Reduce Gross NPA and Classify Defaulters Using Shannon Entropy
- Title(参考訳): シャノンエントロピーを用いたNPAのグロース低減とデフォルマの分類
- Authors: Ambarish Moharil, Nikhil Sonavane, Chirag Kedia, Mansimran Singh Anand
- Abstract要約: 非パフォーマンス資産(NPA)はここ数年、銀行から深刻な注目を集めている。
NPAは銀行に大きな損失をもたらすため、どのローンがNPAになる能力を持つかを決め、どのローンを承認するか、どのローンを拒否するかを決定する非常に重要なステップとなる。
我々は,将来,特定のローンがNPAに分類されるか否かを非常に高い精度で予測するために,金融データを極めて精巧に扱うように設計されたアルゴリズムを提案している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non Performing Asset(NPA) has been in a serious attention by banks over the
past few years. NPA cause a huge loss to the banks hence it becomes an
extremely critical step in deciding which loans have the capabilities to become
an NPA and thereby deciding which loans to grant and which ones to reject. In
this paper which focuses on the exact crux of the matter we have proposed an
algorithm which is designed to handle the financial data very meticulously to
predict with a very high accuracy whether a particular loan would be classified
as a NPA in future or not. Instead of the conventional less accurate
classifiers used to decide which loans can turn to be NPA we build our own
classifier model using Entropy as the base. We have created an entropy based
classifier using Shannon Entropy. The classifier model categorizes our data
points in two categories accepted or rejected. We make use of local entropy and
global entropy to help us determine the output. The entropy classifier model is
then compared with existing classifiers used to predict NPAs thereby giving us
an idea about the performance.
- Abstract(参考訳): 非業績資産(NPA)はここ数年、銀行から深刻な注目を集めている。
NPAは銀行に大きな損失をもたらすため、どのローンがNPAになる能力を持つかを決め、どのローンを承認するか、どのローンを拒否するかを決定する非常に重要なステップとなる。
本稿では,金融データの正確さに着目したアルゴリズムを提案し,将来,特定のローンがNPAに分類されるかどうかを極めて高精度に予測する。
従来のより正確でない分類器の代わりに、どのローンをNPAにするかを決定するために、Entropyをベースとして独自の分類器モデルを構築します。
シャノンエントロピーを用いたエントロピーに基づく分類器を開発した。
分類器モデルは、データポイントを2つのカテゴリに分類します。
局所エントロピーとグローバルエントロピーを使用して、アウトプットを決定するのに役立ちます。
エントロピー分類器モデルは、NPAの予測に使われている既存の分類器と比較され、性能に関するアイデアが得られます。
関連論文リスト
- Graph-Structured Speculative Decoding [52.94367724136063]
投機的復号化は、大規模言語モデルの推論を加速する有望な手法として登場した。
本稿では, 有向非巡回グラフ(DAG)を応用して, 起案された仮説を管理する革新的な手法を提案する。
我々は1.73$times$から1.96$times$に顕著なスピードアップを観察し、標準投機的復号法を大幅に上回った。
論文 参考訳(メタデータ) (2024-07-23T06:21:24Z) - Preference Learning Algorithms Do Not Learn Preference Rankings [62.335733662381884]
選好調整モデルの多くは、共通の選好データセット上で60%未満のランキング精度を実現する。
我々は、この矛盾をDPOの目的に当てはめ、これは経験的にも理論的にも、微妙なランキングエラーの修正に不適当である。
論文 参考訳(メタデータ) (2024-05-29T21:29:44Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳(メタデータ) (2024-05-29T01:32:17Z) - Explainable Fraud Detection with Deep Symbolic Classification [4.1205832766381985]
分類問題に対するDeep Symbolic Regressionフレームワークの拡張であるDeep Classificationを提案する。
関数は閉形式で簡潔な数学的表現であるため、モデルは1つの分類決定のレベルとモデルの決定過程の両方において本質的に説明可能である。
PaySimデータセットの評価は、最先端のモデルと競合する予測性能を示しながら、説明可能性の観点からそれらを上回っている。
論文 参考訳(メタデータ) (2023-12-01T13:50:55Z) - Scaling Laws Beyond Backpropagation [64.0476282000118]
因果デコーダのみの変換器を効率的に訓練するための直接フィードバックアライメントの有効性について検討した。
DFAはバックプロパゲーションよりも効率的なスケーリングを提供していないことが分かりました。
論文 参考訳(メタデータ) (2022-10-26T10:09:14Z) - Learning Better Intent Representations for Financial Open Intent
Classification [23.15534223352769]
本稿では,意図表現の教師付き事前学習のための2つの方法を提案する。
本提案では,従来の最先端ADB法よりも1.63%~2.07%高い精度でオープンインテント分類を行う。
論文 参考訳(メタデータ) (2022-10-25T20:01:13Z) - Neural Pseudo-Label Optimism for the Bank Loan Problem [78.66533961716728]
本研究では,Emphbank 融資問題に最もよく表される分類問題について検討する。
線形モデルの場合、この問題はモデル予測に直接最適化を加えることで解決できる。
Pseudo-Label Optimism (PLOT)は,この設定をディープニューラルネットワークに適用するための概念的かつ計算学的にシンプルな手法である。
論文 参考訳(メタデータ) (2021-12-03T22:46:31Z) - Competition analysis on the over-the-counter credit default swap market [0.0]
両立関係の競合は, 相互の要求により検討する。
初期マージン要件をうまく見積もるモデルを提案する。
第2に、新しい半教師付き予測タスクを用いて、インターディーラー市場での選択肢をモデル化する。
論文 参考訳(メタデータ) (2020-12-03T13:02:53Z) - Pre-training Is (Almost) All You Need: An Application to Commonsense
Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。
そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。
提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文 参考訳(メタデータ) (2020-04-29T10:54:40Z) - Training Normalizing Flows with the Information Bottleneck for
Competitive Generative Classification [31.964489116544947]
IB目標を用いてINNを訓練する条件正規化フローのクラスであるIB-INNの理論と方法論を開発する。
本研究では,これらのモデルの特性を実験的に検討し,特に生成型分類器として利用した。
論文 参考訳(メタデータ) (2020-01-17T17:48:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。